Tesseract OCR之页面布局分析

1. 核心目标

将文档图像划分为逻辑区域（如文本栏、表格、图片），并确定文本行的阅读顺序。关键在于检测制表位（Tab Stops）—— 文本列的对齐边界。

想象你在看一份报纸的扫描件，用剪刀沿着报纸的空白处剪开，把不同的栏目和段落分离出来，这就是布局分析的目的。

1. 找到所有文字区域（比如标题、正文栏、表格内的文字）。
2. 排除非文字干扰（如图片、装饰线条、页眉页脚）。
3. 确定文字之间的关联（哪些文字属于同一段落/同一列）。

2. 投影分析：快速定位文字密集区

• 水平投影：统计每行像素中的非空白（如黑色）像素数，反映文本行密度。
  $$H(y)=\sum _{x=0}^{width}\text{binary\_image}(x,y)$$

  • 水平投影举例 → 上下移动手指，数每行有多少字：

  标题行：    XXXXXXXXXX (10字) ← 手指停在这里（峰值）
  空白行：  
  正文行：    XXXX XXXX (8字) 
  

  输出：发现文字集中在Y=50_{60（标题）、Y=100}200（正文）。

• 垂直投影：统计每列像素中的非空白像素数，反映文本列密度。
  $$H(y)=\sum _{x=0}^{height}\text{binary\_image}(x,y)$$

• 垂直投影举例 → 左右移动手指，数每列有多少字：

  左栏： X | X |   | X |... (第3列为空)
  右栏：   | X | X |   |...
  

  输出：发现X=0_{150是左栏，X=200}350是右栏（中间X=150~200是空白）。

3. 制表位检测：对齐参考线

文本行基线定位（水平投影）

1. 寻找峰值：水平投影的局部最大值对应文本行位置。
2. 过滤噪声：
   • 阈值：峰高 > 平均投影值 * 系数（如0.3）。
   • 合并邻近峰（若行间距小于字体高度的1.5倍）。

• 文字栏的边界：垂直投影的空白处就是栏间分隔。

  左栏文字结束 ←|→ 右栏文字开始(此处垂直投影值为0)
  

列分隔检测（垂直投影）

1. 寻找低密度谷：垂直投影的连续低值区域（如宽度≥10像素且值<平均值的10%）。
2. 验证列边界：
   • 检查左右两侧的投影梯度突变（如从0突然上升）。
   • 排除过窄的间隔（如<20像素可能是字符间隙）

• 段落缩进：水平投影中突然的左侧偏移可能是新段落。

      XXXX ← 缩进2字符
  XXXX    ← 顶格
  

4. XY-Cut：递归“剪空白”

算法流程（递归分割）

1. 初始区域：整个图像作为第一个待分割区域。
2. 切割方向选择：
   • 若区域宽度 > 高度，优先尝试垂直切割（沿垂直投影的空白）。
   • 否则优先水平切割（沿水平投影的空白）。
3. 终止条件：
   • 区域内无空白间隙（全文本）或区域面积小于阈值。

示例，实际切割过程类似这样：

原始页面：
+-----------------------+
| 标题         图片     |
|                       |
| 左栏段落1    右栏段落1|
| 左栏段落2             |
+-----------------------+第1刀：沿垂直空白切开
+-----------+-----------+
| 标题 |图片|左栏 |右栏 |
|     |    |段落1|段落1|
|     |    |段落2|     |
+-----------+-----------+第2刀：水平切开标题区域
+-----------+
| 标题 |图片|
+-----------+
|左栏 |右栏 |
|段落1|段落1|
|段落2|     |
+-----------+

---

5.标点符号的作用

• 边界辅助判断：
  右对齐的标点（如句号、逗号）会强化垂直投影的右侧下降沿，帮助确认列边界。

  左栏文字结束 → 此处投影突降。 ← 标点密集处
  右栏文字开始 → 此处投影突升
  

• 连字符处理：
  跨行的连字符（如英语单词docu-和下一行ment）需要特殊合并逻辑。

扩展阅读

• 经典论文：《XY-Cut: A Fast Segmentation Algorithm for Constraint Object Recognition》
• 现代改进：《Document Layout Analysis via Attention to Split, Merge or Copy》 （CVPR 2023）